{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5311755"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5311755","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Prediction Solar energy potential for use in energy aware network with the use of Machine Learning","abstract":"Τα τελευταία χρόνια, η κατανάλωση ενέργειας έχει φτάσει ακόμα σε υψηλότερα επίπεδα και συνεχίζει να αυξάνεται με ταχύτατους ρυθμούς, ανάλογα με τις αυξανόμενες απαιτήσεις της καθημερινότητας (είτε λόγω της δημογραφικής ανάπτυξης είτε και της συνολικής βελτίωσης της ποιότητας ζωής). Η καταλληλότερη διαχείριση της ενέργειας αποτελεί αντικείμενο έρευνας τόσο σε ακαδημαϊκό επίπεδο όσο και σε επιχειρηματικό επίπεδο, στοχεύοντας στην ανάλυση και πρόβλεψη της ενεργειακής κατανάλωσης. Με αυτό τον τρόπο θα επιτευχθεί περαιτέρω βελτίωση της υποδομής του υφιστάμενου δικτύου και θα ενσωματωθούν νέες ενεργειακές πηγές, με απώτερο στόχο να διασφαλιστεί η συνεχής προμήθεια ενέργειας προς στους καταναλωτές. Η ραγδαία εξέλιξη των αλγορίθμων/ τεχνικών μηχανικής μάθησης και τεχνητής νοημοσύνης τις τελευταίες δύο δεκαετίες έχει δημιουργήσει νέες δυνατότητες στην πρόβλεψη της ενεργειακής ζήτησης με ακόμα μεγαλύτερη ακρίβεια και ταχύτητα. Οι μέθοδοι που εφαρμόζονται εκτείνονται από απλούς αλγορίθμους, όπως τα Δέντρα Απόφασης και οι Μηχανές Διανυσμάτων Υποστήριξης, έως και πιο προηγμένες προσεγγίσεις, όπως τα Τεχνητά Νευρωνικά Δίκτυα. Στην παρούσα διπλωματική εργασία, εφαρμόστηκαν μοντέλα μηχανικής μάθησης για τη εκτίμηση της κατανάλωσης ενέργειας στην πόλη της Calgary στην Alberta του Καναδά, όπου η χρήση της ενέργειας διαφοροποιείται ανάλογα με τις ανάγκες, όπως η θέρμανση, ο κλιματισμός και η τεχνολογική λειτουργία. Τα δεδομένα εισόδου αποτελούνταν από χρονοσειρές, στις οποίες η κατανάλωση καταγραφόταν ανά μία ώρα σε KWh. Η ανάλυση βασίστηκε σε ωριαία δεδομένα παραγωγής ενέργειας από φωτοβολταϊκά και δεδομένα καιρού. Δοκιμάστηκαν τέσσερις προσεγγίσεις για την πρόβλεψη: οι δύο από αυτές λάμβαναν υπόψη και το ιστορικό κατανάλωσης ενώ οι άλλες δύο όχι. Για την αξιολόγηση της απόδοσης των μοντέλων χρησιμοποιήθηκαν διάφορες μετρικές, όπως το Μέσο Απόλυτο Σφάλμα (Mean Absolute Error), το Τετραγωνικό Μέσο Σφάλμα (Mean Squared Error). Τα δεδομένα εκπαίδευσης εφαρμόστηκαν με Long Short-Term Memory (LSTM) και XGBoost. Τα αποτελέσματα των πειραμάτων κατέδειξαν ότι τα χαρακτηριστικά των χρονοσειρών διαδραματίζουν καθοριστικό ρόλο στην ακρίβεια των προβλέψεων των μοντέλων. Η επιλογή του κατάλληλου αλγορίθμου και της μεθόδου αξιολόγησης δεν αποτελεί μια απλή διαδικασία, αλλά απαιτεί προσεκτική ανάλυση και εξατομικευμένη προσέγγιση, ώστε να εξασφαλιστεί η βέλτιστη απόδοση σε κάθε περίπτωση πρόβλεψης χρονοσειρών. Με βάση τα δεδομένα που χρησιμοποιήθηκαν αναδείχθηκε ο XGBoost χωρίς ιστορικό κατανάλωσης KWh ο καλύτερος αλγόριθμος για την πρόβλεψη.","abstract_html":"Τα τελευταία χρόνια, η κατανάλωση ενέργειας έχει φτάσει ακόμα σε υψηλότερα επίπεδα και συνεχίζει να αυξάνεται με ταχύτατους ρυθμούς, ανάλογα με τις αυξανόμενες απαιτήσεις της καθημερινότητας (είτε λόγω της δημογραφικής ανάπτυξης είτε και της συνολικής βελτίωσης της ποιότητας ζωής). Η καταλληλότερη διαχείριση της ενέργειας αποτελεί αντικείμενο έρευνας τόσο σε ακαδημαϊκό επίπεδο όσο και σε επιχειρηματικό επίπεδο, στοχεύοντας στην ανάλυση και πρόβλεψη της ενεργειακής κατανάλωσης. Με αυτό τον τρόπο θα επιτευχθεί περαιτέρω βελτίωση της υποδομής του υφιστάμενου δικτύου και θα ενσωματωθούν νέες ενεργειακές πηγές, με απώτερο στόχο να διασφαλιστεί η συνεχής προμήθεια ενέργειας προς στους καταναλωτές. Η ραγδαία εξέλιξη των αλγορίθμων/ τεχνικών μηχανικής μάθησης και τεχνητής νοημοσύνης τις τελευταίες δύο δεκαετίες έχει δημιουργήσει νέες δυνατότητες στην πρόβλεψη της ενεργειακής ζήτησης με ακόμα μεγαλύτερη ακρίβεια και ταχύτητα. Οι μέθοδοι που εφαρμόζονται εκτείνονται από απλούς αλγορίθμους, όπως τα Δέντρα Απόφασης και οι Μηχανές Διανυσμάτων Υποστήριξης, έως και πιο προηγμένες προσεγγίσεις, όπως τα Τεχνητά Νευρωνικά Δίκτυα. Στην παρούσα διπλωματική εργασία, εφαρμόστηκαν μοντέλα μηχανικής μάθησης για τη εκτίμηση της κατανάλωσης ενέργειας στην πόλη της Calgary στην Alberta του Καναδά, όπου η χρήση της ενέργειας διαφοροποιείται ανάλογα με τις ανάγκες, όπως η θέρμανση, ο κλιματισμός και η τεχνολογική λειτουργία. Τα δεδομένα εισόδου αποτελούνταν από χρονοσειρές, στις οποίες η κατανάλωση καταγραφόταν ανά μία ώρα σε KWh. Η ανάλυση βασίστηκε σε ωριαία δεδομένα παραγωγής ενέργειας από φωτοβολταϊκά και δεδομένα καιρού. Δοκιμάστηκαν τέσσερις προσεγγίσεις για την πρόβλεψη: οι δύο από αυτές λάμβαναν υπόψη και το ιστορικό κατανάλωσης ενώ οι άλλες δύο όχι. Για την αξιολόγηση της απόδοσης των μοντέλων χρησιμοποιήθηκαν διάφορες μετρικές, όπως το Μέσο Απόλυτο Σφάλμα (Mean Absolute Error), το Τετραγωνικό Μέσο Σφάλμα (Mean Squared Error). Τα δεδομένα εκπαίδευσης εφαρμόστηκαν με Long Short-Term Memory (LSTM) και XGBoost. Τα αποτελέσματα των πειραμάτων κατέδειξαν ότι τα χαρακτηριστικά των χρονοσειρών διαδραματίζουν καθοριστικό ρόλο στην ακρίβεια των προβλέψεων των μοντέλων. Η επιλογή του κατάλληλου αλγορίθμου και της μεθόδου αξιολόγησης δεν αποτελεί μια απλή διαδικασία, αλλά απαιτεί προσεκτική ανάλυση και εξατομικευμένη προσέγγιση, ώστε να εξασφαλιστεί η βέλτιστη απόδοση σε κάθε περίπτωση πρόβλεψης χρονοσειρών. Με βάση τα δεδομένα που χρησιμοποιήθηκαν αναδείχθηκε ο XGBoost χωρίς ιστορικό κατανάλωσης KWh ο καλύτερος αλγόριθμος για την πρόβλεψη.","abstract_has_math":false,"creators":["Μαργέτης Αλέξανδρος","Margetis Alexandros"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:47Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311755"],"render_values":[{"text":"uoadl:5311755","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311755","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311755","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5311755","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μαργέτης Αλέξανδρος","Margetis Alexandros"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311755","https://pergamos.lib.uoa.gr/uoa/dl/object/5311755"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Τα τελευταία χρόνια, η κατανάλωση ενέργειας έχει φτάσει ακόμα σε υψηλότερα επίπεδα και συνεχίζει να αυξάνεται με ταχύτατους ρυθμούς, ανάλογα με τις αυξανόμενες απαιτήσεις της καθημερινότητας (είτε λόγω της δημογραφικής ανάπτυξης είτε και της συνολικής βελτίωσης της ποιότητας ζωής). Η καταλληλότερη διαχείριση της ενέργειας αποτελεί αντικείμενο έρευνας τόσο σε ακαδημαϊκό επίπεδο όσο και σε επιχειρηματικό επίπεδο, στοχεύοντας στην ανάλυση και πρόβλεψη της ενεργειακής κατανάλωσης. Με αυτό τον τρόπο θα επιτευχθεί περαιτέρω βελτίωση της υποδομής του υφιστάμενου δικτύου και θα ενσωματωθούν νέες ενεργειακές πηγές, με απώτερο στόχο να διασφαλιστεί η συνεχής προμήθεια ενέργειας προς στους καταναλωτές. Η ραγδαία εξέλιξη των αλγορίθμων/ τεχνικών μηχανικής μάθησης και τεχνητής νοημοσύνης τις τελευταίες δύο δεκαετίες έχει δημιουργήσει νέες δυνατότητες στην πρόβλεψη της ενεργειακής ζήτησης με ακόμα μεγαλύτερη ακρίβεια και ταχύτητα. Οι μέθοδοι που εφαρμόζονται εκτείνονται από απλούς αλγορίθμους, όπως τα Δέντρα Απόφασης και οι Μηχανές Διανυσμάτων Υποστήριξης, έως και πιο προηγμένες προσεγγίσεις, όπως τα Τεχνητά Νευρωνικά Δίκτυα. Στην παρούσα διπλωματική εργασία, εφαρμόστηκαν μοντέλα μηχανικής μάθησης για τη εκτίμηση της κατανάλωσης ενέργειας στην πόλη της Calgary στην Alberta του Καναδά, όπου η χρήση της ενέργειας διαφοροποιείται ανάλογα με τις ανάγκες, όπως η θέρμανση, ο κλιματισμός και η τεχνολογική λειτουργία. Τα δεδομένα εισόδου αποτελούνταν από χρονοσειρές, στις οποίες η κατανάλωση καταγραφόταν ανά μία ώρα σε KWh. Η ανάλυση βασίστηκε σε ωριαία δεδομένα παραγωγής ενέργειας από φωτοβολταϊκά και δεδομένα καιρού. Δοκιμάστηκαν τέσσερις προσεγγίσεις για την πρόβλεψη: οι δύο από αυτές λάμβαναν υπόψη και το ιστορικό κατανάλωσης ενώ οι άλλες δύο όχι. Για την αξιολόγηση της απόδοσης των μοντέλων χρησιμοποιήθηκαν διάφορες μετρικές, όπως το Μέσο Απόλυτο Σφάλμα (Mean Absolute Error), το Τετραγωνικό Μέσο Σφάλμα (Mean Squared Error). Τα δεδομένα εκπαίδευσης εφαρμόστηκαν με Long Short-Term Memory (LSTM) και XGBoost. Τα αποτελέσματα των πειραμάτων κατέδειξαν ότι τα χαρακτηριστικά των χρονοσειρών διαδραματίζουν καθοριστικό ρόλο στην ακρίβεια των προβλέψεων των μοντέλων. Η επιλογή του κατάλληλου αλγορίθμου και της μεθόδου αξιολόγησης δεν αποτελεί μια απλή διαδικασία, αλλά απαιτεί προσεκτική ανάλυση και εξατομικευμένη προσέγγιση, ώστε να εξασφαλιστεί η βέλτιστη απόδοση σε κάθε περίπτωση πρόβλεψης χρονοσειρών. Με βάση τα δεδομένα που χρησιμοποιήθηκαν αναδείχθηκε ο XGBoost χωρίς ιστορικό κατανάλωσης KWh ο καλύτερος αλγόριθμος για την πρόβλεψη.","In recent years, energy consumption has reached even higher levels and continues to grow rapidly, depending on the increasing demands of everyday life (either due to demographic growth or the overall improvement of the quality of life). The most appropriate energy management is the subject of research both at the academic level and at the business level, aiming at the analysis and prediction of energy consumption. In this way, further improvement of the infrastructure of the existing network will be achieved and new energy sources will be integrated, with the goal of ensuring the continuous supply of energy to consumers. The rapid development of machine learning and artificial intelligence algorithms/techniques over the last two decades has created new possibilities in predicting energy demand with even greater accuracy and speed. The methods applied range from simple algorithms, such as Decision Trees and Support Vector Machines, to more advanced approaches, such as Artificial Neural Networks. In this thesis, machine learning models were applied to estimate energy consumption in the city of Calgary, Alberta, Canada, where energy use varies according to needs, such as heating, air conditioning and technological operation. The input data consisted of time series, in which consumption was recorded every hour in KWh. The analysis was based on hourly energy production data from photovoltaics and weather data. Four approaches were tested for prediction: two of them considered the energy consumption history while the other two did not. Various metrics were used to evaluate the performance of the models, such as Mean Absolute Error, Mean Squared Error. The training data was implemented with Long Short-Term Memory (LSTM) and XGBoost. The results of the experiments showed that the characteristics of the time series play a decisive role in the accuracy of the models' predictions. The selection of the appropriate algorithm and evaluation method is not a simple process, but requires careful analysis and a personalized approach, to ensure optimal performance in each case of time series prediction. Based on the data used, XGBoost without KWh consumption history emerged as the best algorithm for prediction."]},{"key":"dc:title","label":"Title","values":["Prediction Solar energy potential for use in energy aware network with the use of Machine Learning"]}]}],"canonical_facts":{"dc:creator":["Μαργέτης Αλέξανδρος","Margetis Alexandros"],"dc:date":["2025"],"dc:description":["Τα τελευταία χρόνια, η κατανάλωση ενέργειας έχει φτάσει ακόμα σε υψηλότερα επίπεδα και συνεχίζει να αυξάνεται με ταχύτατους ρυθμούς, ανάλογα με τις αυξανόμενες απαιτήσεις της καθημερινότητας (είτε λόγω της δημογραφικής ανάπτυξης είτε και της συνολικής βελτίωσης της ποιότητας ζωής). Η καταλληλότερη διαχείριση της ενέργειας αποτελεί αντικείμενο έρευνας τόσο σε ακαδημαϊκό επίπεδο όσο και σε επιχειρηματικό επίπεδο, στοχεύοντας στην ανάλυση και πρόβλεψη της ενεργειακής κατανάλωσης. Με αυτό τον τρόπο θα επιτευχθεί περαιτέρω βελτίωση της υποδομής του υφιστάμενου δικτύου και θα ενσωματωθούν νέες ενεργειακές πηγές, με απώτερο στόχο να διασφαλιστεί η συνεχής προμήθεια ενέργειας προς στους καταναλωτές. Η ραγδαία εξέλιξη των αλγορίθμων/ τεχνικών μηχανικής μάθησης και τεχνητής νοημοσύνης τις τελευταίες δύο δεκαετίες έχει δημιουργήσει νέες δυνατότητες στην πρόβλεψη της ενεργειακής ζήτησης με ακόμα μεγαλύτερη ακρίβεια και ταχύτητα. Οι μέθοδοι που εφαρμόζονται εκτείνονται από απλούς αλγορίθμους, όπως τα Δέντρα Απόφασης και οι Μηχανές Διανυσμάτων Υποστήριξης, έως και πιο προηγμένες προσεγγίσεις, όπως τα Τεχνητά Νευρωνικά Δίκτυα. Στην παρούσα διπλωματική εργασία, εφαρμόστηκαν μοντέλα μηχανικής μάθησης για τη εκτίμηση της κατανάλωσης ενέργειας στην πόλη της Calgary στην Alberta του Καναδά, όπου η χρήση της ενέργειας διαφοροποιείται ανάλογα με τις ανάγκες, όπως η θέρμανση, ο κλιματισμός και η τεχνολογική λειτουργία. Τα δεδομένα εισόδου αποτελούνταν από χρονοσειρές, στις οποίες η κατανάλωση καταγραφόταν ανά μία ώρα σε KWh. Η ανάλυση βασίστηκε σε ωριαία δεδομένα παραγωγής ενέργειας από φωτοβολταϊκά και δεδομένα καιρού. Δοκιμάστηκαν τέσσερις προσεγγίσεις για την πρόβλεψη: οι δύο από αυτές λάμβαναν υπόψη και το ιστορικό κατανάλωσης ενώ οι άλλες δύο όχι. Για την αξιολόγηση της απόδοσης των μοντέλων χρησιμοποιήθηκαν διάφορες μετρικές, όπως το Μέσο Απόλυτο Σφάλμα (Mean Absolute Error), το Τετραγωνικό Μέσο Σφάλμα (Mean Squared Error). Τα δεδομένα εκπαίδευσης εφαρμόστηκαν με Long Short-Term Memory (LSTM) και XGBoost. Τα αποτελέσματα των πειραμάτων κατέδειξαν ότι τα χαρακτηριστικά των χρονοσειρών διαδραματίζουν καθοριστικό ρόλο στην ακρίβεια των προβλέψεων των μοντέλων. Η επιλογή του κατάλληλου αλγορίθμου και της μεθόδου αξιολόγησης δεν αποτελεί μια απλή διαδικασία, αλλά απαιτεί προσεκτική ανάλυση και εξατομικευμένη προσέγγιση, ώστε να εξασφαλιστεί η βέλτιστη απόδοση σε κάθε περίπτωση πρόβλεψης χρονοσειρών. Με βάση τα δεδομένα που χρησιμοποιήθηκαν αναδείχθηκε ο XGBoost χωρίς ιστορικό κατανάλωσης KWh ο καλύτερος αλγόριθμος για την πρόβλεψη.","In recent years, energy consumption has reached even higher levels and continues to grow rapidly, depending on the increasing demands of everyday life (either due to demographic growth or the overall improvement of the quality of life). The most appropriate energy management is the subject of research both at the academic level and at the business level, aiming at the analysis and prediction of energy consumption. In this way, further improvement of the infrastructure of the existing network will be achieved and new energy sources will be integrated, with the goal of ensuring the continuous supply of energy to consumers. The rapid development of machine learning and artificial intelligence algorithms/techniques over the last two decades has created new possibilities in predicting energy demand with even greater accuracy and speed. The methods applied range from simple algorithms, such as Decision Trees and Support Vector Machines, to more advanced approaches, such as Artificial Neural Networks. In this thesis, machine learning models were applied to estimate energy consumption in the city of Calgary, Alberta, Canada, where energy use varies according to needs, such as heating, air conditioning and technological operation. The input data consisted of time series, in which consumption was recorded every hour in KWh. The analysis was based on hourly energy production data from photovoltaics and weather data. Four approaches were tested for prediction: two of them considered the energy consumption history while the other two did not. Various metrics were used to evaluate the performance of the models, such as Mean Absolute Error, Mean Squared Error. The training data was implemented with Long Short-Term Memory (LSTM) and XGBoost. The results of the experiments showed that the characteristics of the time series play a decisive role in the accuracy of the models' predictions. The selection of the appropriate algorithm and evaluation method is not a simple process, but requires careful analysis and a personalized approach, to ensure optimal performance in each case of time series prediction. Based on the data used, XGBoost without KWh consumption history emerged as the best algorithm for prediction."],"dc:identifier":["uoadl:5311755","https://pergamos.lib.uoa.gr/uoa/dl/object/5311755"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Prediction Solar energy potential for use in energy aware network with the use of Machine Learning"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:47Z"}